مدل چیست؟

گوشی شما کلمهٔ بعدی‌ای را که می‌خواهید بنویسید حدس می‌زند. بانک حدس می‌زند که یک وام بازپرداخت می‌شود یا نه. برنامهٔ هواشناسی دمای فردا را حدس می‌زند. هیچ‌کدام پاسخ را نمی‌دانند — همهٔ آن‌ها از یک مدل (model) استفاده می‌کنند: ماشین کوچکی که چیزهای دیدنی را به حدسی دربارهٔ چیزهای نادیدنی تبدیل می‌کند.

مدل چیزی جز یک قاعده نیست

فرض کنید بستنی می‌فروشید و متوجه شده‌اید: هرچه هوا گرم‌تر، فروش بیشتر. می‌توانید حدس خود را به شکل یک قاعده بنویسید:

def predict_sales(temperature):
  return 10 * temperature - 50

این یک مدل است. واقعاً — مدل همین است و بس: تابعی از آنچه می‌دانید (دما) به آنچه می‌خواهید بدانید (فروش). تنها پرسش این است که آیا این قاعدهٔ خوبی است؟

«یادگیری» از کجا می‌آید

می‌توانستید به‌جای آن بنویسید 12 * temperature - 80 یا حتی 9 * temperature. کدام قاعده بهترین است؟ به‌جای حدس‌زدن، یادگیری ماشین (machine learning) این اعداد را برای شما پیدا می‌کند؛ یعنی هر قاعدهٔ نامزد را با داده‌هایی که از قبل جمع کرده‌اید می‌سنجد و قاعده‌ای را نگه می‌دارد که کمترین خطا را دارد.

به این اعدادِ قابل‌تنظیم — همان 10 و -50 — پارامتر (parameter) می‌گویند. یادگیری یعنی جست‌وجو برای پارامترهایی که کمترین اشتباه را روی داده‌های شما مرتکب می‌شوند. در درس بعدی دقیقاً اندازه می‌گیریم که یک قاعده چقدر اشتباه می‌کند — و همین اندازه‌گیری موتورِ همهٔ ادامهٔ راه است.

خودتان را بیازمایید